基于稀疏样本选择的骨架基于动作识别的Informative样本选择模型

骨架基于人类动作识别旨在将人类骨架序列（动作的时空表示）分类到预定义类别。为了减少对骨架序列昂贵标注的依赖，同时保持具竞争力的识别准确率，已提出3D动作识别稀疏训练样本的任务，也称为半监督3D动作识别。此外，探索了在半监督3D动作识别中使用主动学习，以主动选择最具信息性的未标注样本进行标注。具体而言，研究人员采用编码器-解码器框架将骨架序列嵌入到潜在空间，其中结合了多头机制的基于边际的选择策略，用于识别最具信息性的序列以进行标注。然而，最具代表性的骨架序列未必是最具信息性的，因为模型可能已经从先前看到的骨架样本中获得了类似知识。为解决此问题，我们以一种新颖的视角重新表述通过主动学习进行的半监督3D动作识别，将其建模为马尔可夫决策过程（MDP）。基于MDP框架及其训练范式，我们训练一个信息性样本选择模型，以智能方式引导骨架序列的选择。为了增强方法中状态-动作对因素的表征能力，我们将其投影到双曲空间。此外，我们引入一种元调优策略以加快该方法在实际场景中的部署。在三个3D动作识别基准测试上的大量实验表明，我们方法的有效性。